🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش MLOPS (عملیات یادگیری ماشین) اصول
- آخرین آپدیت
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره شرکت کنندگان را با ابزارهای MLOPS و بهترین روشها برای استقرار ، ارزیابی ، نظارت و بهره برداری از سیستم های تولید ML در Google Cloud آشنا می کند. MLOPS یک رشته است که بر استقرار ، آزمایش ، نظارت و اتوماسیون سیستم های ML در تولید متمرکز شده است. متخصصان مهندسی یادگیری ماشین از ابزارهایی برای بهبود مستمر و ارزیابی مدل های مستقر استفاده می کنند. آنها با دانشمندان داده (یا می توانند) ، که مدل ها را توسعه می دهند ، کار می کنند تا سرعت و سخت گیری را در استقرار بهترین مدلهای عملکردی فعال کنند.
سرفصل ها و درس ها
چرا و چه زمانی به MLOps نیاز داریم
Why and When do we need MLOps
مقدمه دوره
Course Introduction
نکات درد دانشمندان داده
Data Scientists’ Pain Points
چرخه عمر یادگیری ماشین
Machine Learning Lifecycle
معماری MLOPS و اجزای گسترده Tensorflow
MLOps Architecture and TensorFlow Extended Components
درک م mainلفه های اصلی Kubernetes (اختیاری)
Understanding the main Kubernetes components (Optional)
مقدمه
Introduction
آشنایی با ظروف
Introduction to Containers
ظروف و تصاویر کانتینر
Containers and Container Images
معرفی آزمایشگاه
Lab introduction
شروع با GCP و Qwiklabs
Getting Started With GCP And Qwiklabs
آزمایشگاه: کار با Cloud Build
Lab: Working with Cloud Build
محلول آزمایشگاه
Lab solution
آشنایی با Kubernetes
Introduction to Kubernetes
آشنایی با موتور Google Kubernetes
Introduction to Google Kubernetes Engine
جزئیات گزینه ها
Compute Options Detail
مفاهیم Kubernetes
Kubernetes Concepts
صفحه کنترل Kubernetes
The Kubernetes Control Plane
مفاهیم موتور Google Kubernetes
Google Kubernetes Engine Concepts
مقدمه آزمایشگاه
Lab Introduction
آزمایشگاه: استقرار موتور Google Kubernetes
Lab: Deploying Google Kubernetes Engine
راه حل آزمایشگاه
Lab Solution
استقرار 1
Deployments 1
راه های ایجاد استقرار
Ways to Create Deployments
خدمات و مقیاس گذاری
Services and Scaling
به روزرسانی استقرار
Updating Deployments
به روزرسانی های نورد
Rolling Updates
استقرار آبی-سبز
Blue-Green Deployments
استقرار قناری
Canary Deployments
مدیریت استقرار
Managing Deployments
معرفی آزمایشگاه
Lab Intro
آزمایشگاه: ایجاد استقرار موتور Google Kubernetes
Lab: Creating Google Kubernetes Engine Deployments
مشاغل و کرونجها
Jobs and CronJobs
مشاغل موازی
Parallel Jobs
کرونجوب
CronJobs
مقدمه ای بر خطوط لوله بستر های نرم افزاری AI
Introduction to AI Platform Pipelines
نمای کلی
Overview
آشنایی با خطوط لوله AI Platform
Introduction to AI Platform Pipelines
خطوط لوله AI Platform: مفاهیم
AI Platform Pipelines : Concepts
خطوط لوله AI Platform: چه زمانی استفاده می شود
AI Platform Pipelines : When to use
خطوط لوله AI Platform: اکوسیستم
AI Platform Pipelines : Ecosystem
آزمایشگاه: در حال اجرا خطوط لوله AI Platform
Lab: Running AI Platform Pipelines
راه حل آزمایشگاه: خطوط لوله AI Platform
Lab Solution: AI Platform Pipelines
آموزش ، تنظیم و خدمت در بستر AI
Training, Tuning and Serving on AI Platform
بررسی اجمالی سیستم و مفاهیم
System and concepts overview
یک مجموعه داده قابل تکرار ایجاد کنید
Create a reproducible dataset
یک مدل قابل تنظیم را پیاده سازی کنید
Implement a tunable model
یک ظرف آموزشی را بسازید و فشار دهید
Build and push a training container
مدل را آموزش دهید و تنظیم کنید
Train and tune the model
مدل را سرو و پرس و جو کنید
Serve and query the model
مقدمه آزمایشگاه: آموزش ، تنظیم و خدمت بر روی سیستم عامل AI
Lab Intro: Training, Tuning, and Serving on AI Platform
آزمایشگاه: استفاده از ظروف سفارشی با آموزش پلت فرم AI
Lab: Using custom containers with AI Platform Training
خطوط لوله Kubeflow در بستر AI
Kubeflow Pipelines on AI Platform
مفهوم سیستم و مفهوم
System and concept overview
توصیف خط لوله Kubeflow با KF DSL
Describing a Kubeflow Pipeline with KF DSL
اجزای از پیش ساخته شده
Pre-built components
اجزای سبک وزن پیتون
Lightweight Python Components
اجزای سفارشی
Custom components
کامپایل ، بارگذاری و اجرا
Compile, Upload and Run
مقدمه آزمایشگاه: خط لوله آموزش مداوم با خط لوله Kubeflow و پلت فرم Cloud AI
Lab Intro: Continuous Training Pipeline with Kubeflow Pipeline and Cloud AI Platform
آزمایشگاه: خط لوله آموزش مداوم با سیستم عامل KFP و AI Cloud
Lab: Continuous Training Pipeline with KFP and Cloud AI Platform
CI/CD برای خطوط لوله Kubeflow در بستر AI
CI/CD for Kubeflow Pipelines on AI Platform
مفهوم مفهوم
Concept Overview
سازندگان سازنده ابر
Cloud Build Builders
پیکربندی ساخت ابر
Cloud Build Configuration
ساخت ابر محرک است
Cloud Build Triggers
معرفی آزمایشگاه: CI/CD برای خط لوله Kubeflow
Lab Intro: CI/CD for a Kubeflow Pipeline
آزمایشگاه: CI/CD برای خط لوله KFP
Lab: CI/CD for a KFP pipeline
Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.
Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر میسازد تا مهارتهای ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاههای عملی این شرکت اعتبارنامههای موقتی را به منابع واقعی ابر ارائه میدهند، بنابراین افراد میتوانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.
نمایش نظرات